[发明专利]一种基于PCA和Adaboost的隧道交通事故持续时间预测方法

权利要求书

1.一种基于PCA和Adaboost的隧道交通事故持续时间预测方法，其特征在于，包括如下步骤：

第一步：从高速公路事件管理中心数据库提取历史隧道交通事故数据，根据事故持续时间划分为短、中、长和特长四个等级，并对数据进行缺失值检验和筛选；

第二步：使用PAC主成分分析法对第一步得到的数据进行的分析处理；

第三步：将第二步所得的主成分矩阵和相对应的事故持续时间的等级，代入Adaboost模型及逆行训练，最终得到隧道交通事故持续时间的预测模型。

2.根据权利要求1所述的一种基于PCA和Adaboost的隧道持续时间预测方法，其特征在于，第一步的执行步骤如下：

(1)根据事故持续时间的长短划分为短、中、长和特长四个等级；

(2)对输入变量中的类型进行检验，对于缺失值比例大于30％的变量不予考虑；对于缺失值比例不超过30％的变量使用特定方法填充缺失值；

(3)对分类变量进行热编码处理。

3.根据权利要求1所述的一种基于PCA和Adaboost的隧道持续时间预测方法，其特征在于，第二步的执行步骤如下：

设第一步得到的数据中包含有m个样本，且每个样本维度为n，X＝{X₁，X₂，X₃，...X_n，}＝{x₁₁，x₁₂，x₁₃，...，x_1n；x₂₁，x₂₂，x₂₃，...，x_2n；...；x_m1，x_m2，x_m3，...，x_mn}，x_ij为第i个样本中第j个维度；

(1)采用Min-max归一化方法进行归一化，得到标准化矩阵Z；

(2)计算标准化矩阵Z的协方差矩阵

(3)求解协方差矩阵R的特征值和特征向量；

(4)选取最大的k个特征值，并将其对应的k个特征向量作为行向量组成特征向量矩阵P；其中，k＜n；

(5)用Z与P相乘，得到主成分矩阵为Y＝PZ。

4.根据权利要求1所述的一种基于PCA和Adaboost的隧道持续时间预测方法，其特征在于，第三步的执行步骤如下：

(1)输入训练集T＝(Y，C)＝{(Y₁，C₁)，...，(Y_i，C_i)，...，(Y_m，C_m)}，其中Y为经过PCA处理得到的主成分矩阵，m为行数，C_i表示对应Y_i的事故持续时间的等级；

(2)调用弱分类器，并初始化迭代次数a＝1；

(3)为输入训练集中的每个样本分配权重D₁＝(w₁₁，w₁₂，w₁₃，...，w_1n)，并且初始状态设定各个样本的权重相等，即n为样本的维度；

(4)使用分配权重后的输入训练集迭代训练弱分类器；

(5)计算第a次迭代训练得到的弱分类器G_a(·)在当前权重分布下的错误率其中G_a(Y_i)为G_a(·)的预测输出；

(6)根据错误率e_a计算弱分类器G_a(·)在最终强分类器中所占的权重

(7)第a+1次迭代训练时样本的权重D_a+1＝(w_a+1，1，w_a+1，2，w_a+1，3，...，w_a+1，n)，其中

(8)错误率e_a大于设定阈值或达到最大迭代次数时，停止迭代，组合全部弱分类器得到强分类器该强分类器即为隧道交通事故持续时间的预测模型，其中，A为弱分类器数量。